CN113792678A - 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 - Google Patents

基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 Download PDF

Info

Publication number
CN113792678A
CN113792678A CN202111092988.5A CN202111092988A CN113792678A CN 113792678 A CN113792678 A CN 113792678A CN 202111092988 A CN202111092988 A CN 202111092988A CN 113792678 A CN113792678 A CN 113792678A
Authority
CN
China
Prior art keywords
face
vector
image
feature
calculating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111092988.5A
Other languages
English (en)
Inventor
贾信明
林昱洲
杨宏
孟桂伏
雷华春
夏明月
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hua Analysis Technology Shanghai Co ltd
Original Assignee
Hua Analysis Technology Shanghai Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hua Analysis Technology Shanghai Co ltd filed Critical Hua Analysis Technology Shanghai Co ltd
Priority to CN202111092988.5A priority Critical patent/CN113792678A/zh
Publication of CN113792678A publication Critical patent/CN113792678A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备，应用于图像识别领域，方法包括：将人脸图像转换为预设维度向量，存入人脸向量集合；计算向量累加平均值，得到平均图像；计算人脸图像与平均图像的差值，根据差值计算协方差矩阵的特征向量，构成特征脸空间；根据ReliefF算法分别计算每个特征脸空间样本的特征权重，构造特征权向量；根据预设惩罚参数和特征权向量构造并求得最优解，得到决策函数，确定支持向量机；基于支持向量机训练及验证，得到人脸识别模型，利用人脸识别模型进行人脸识别。通过本发明的技术方案，解决了单一ReliefF算法不能去除冗余特征的缺点，有效地减少了数据维数，加速了SVM训练。

Description

基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及 设备
技术领域
本发明涉及图像识别技术领域，尤其涉及一种基于PCA和ReliefF的SVM的人脸识别方法、一种基于PCA和ReliefF的SVM的人脸识别系统、一种计算机可读存储介质以及一种电子设备。
背景技术
人脸识别技术应用越来越广发，覆盖生活的方方面面，但是在传统的人脸识别算法仍然有可以提升的地方，包括特征提取、图像维度控制、识别准确率、以及识别效率。
传统的人脸识别技术，通常是通过把人脸图像进行降维提取特征脸，通过特征脸数据进行对比。现有的经典算法主成分分析法(Principal Component Analysis，PCA)就是通过对图像进行降维处理，得到人脸的主成分，通过对人脸图像的协方差矩阵进行本征值分解，得到特征脸，在通过测试图像与特征脸对比进行人脸识别。由于其所需的特征点不能精确选择，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大。所以说，这类算法只适合于人脸图像的粗略识别，无法在实际中应用。此后基于现有技术，又提出使用分类器，对人脸进行归类，如支持向量机(Support Vector Machine，SVM)对人脸对人脸数据进行分类和回归，该方法对数据的准确性和输入的人脸特征值有较大的关系。但由于人脸图像作为原始输入信息，一般含有大量冗余信息，在效率上也有待提高。
发明内容
针对上述问题，本发明提供了一种基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备，通过PCA和ReliefF的特征选择方法相结合，利用PCA去除特征间存在的相关性，然后利用ReliefF算法进行特征选择，解决了单一ReliefF算法不能去除冗余特征的缺点，从而能够在保证SVM分类精度的情况下，有效地减少了数据维数，加速了SVM训练，具有较好的性能。
为实现上述目的，本发明提供了一种基于PCA和Re1iefF的SVM的人脸识别方法，包括：
获取预设数量的人脸图像，并将所述人脸图像转换为预设维度向量，存入人脸向量集合；
计算所述人脸向量集合中的向量累加平均值，得到平均图像；
计算该预设数量的人脸图像分别与所述平均图像的差值；
根据所述差值计算协方差矩阵的特征向量，构成特征脸空间；
由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量；
根据预设惩罚参数和所述特征权向量构造并求解得到最优解，并根据所述最优解得到决策函数，确定支持向量机；
提取所述人脸图像的人脸特征数据标签，基于所述支持向量机进行训练及验证，得到人脸识别模型；
获取待识别人脸图像，输入所述人脸识别模型进行人脸识别。
在上述技术方案中，优选地，所述计算所述人脸向量集合中的向量累加平均值具体包括：
将所述人脸向量集合中的向量进行遍历累加；
将累加值按照人脸图像数量取平均值，得到平均图像；
其中，所述平均图像的维度与所述人脸向量集合中每个人脸图像对应维度相等。
在上述技术方案中，优选地，所述根据所述差值计算协方差矩阵的特征向量构成特征脸空间具体包括：
确定M个正交的单位向量un，通过下式计算第k个向量uk：
Figure BDA0003268250860000021
特征值λk取最小值0时，uk确定，其中，Φn表示第n个差值；
uk还满足：
Figure BDA0003268250860000022
其中，T表示矩阵转置，δ为自定义参数，M为正交的单位向量un的数量，l∈{1，2，3，4....，n}；
通过下式计算协方差矩阵的特征向量：
Figure BDA0003268250860000031
其中，A＝[Φ1，Φ2，…，ΦM]；
根据协方差矩阵C的M个特征向量，取特征值较大的前k个特征向量作为子空间，构成特征脸空间；其中，k为自定义变量。
在上述技术方案中，优选地，所述由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量的具体过程包括：
设特征脸空间X＝{x1，x2，…，xn}是待进行分类分析的对象的全体，其中：xi＝[xi1，xi2，…，xiN]，T表示第i个样本的N个特征值，λ是N×1的矩阵，表示各维特征的权值；对于任意的一个样本xi，首先要找出k个与xi同类的最近邻的样本Rd；
由所述特征脸空间，提取得到样本数据集T：
{(x1，y1)，…(xl，yl)}，xi∈Rd，yi∈{1，-1}，i＝1，…，l
根据ReliefF算法分别计算每个特征的权重，并构造得到特征权向量：
λ＝(λ1，λ2，…，λl)T，λi∈Rd
其中，ReliefF算法中，K为定义在X×X上的核函数，X∈Rd，P是给定输入空间的d阶线性变换矩阵，其中d是输入特征脸空间的维数；
特征加权核函数Kp定义为：Kp(xi，xj)＝K(Pxi，Pxj)
转换得到特征加权多项式核函数：
Figure BDA0003268250860000032
特征加权Gaussian核函数：
Figure BDA0003268250860000033
特征加权Sigmoid核函数：
Figure BDA0003268250860000034
在上述技术方案中，优选地，所述根据预设惩罚参数构造并求解得到最优解，并根据所述最优解得到决策函数的具体过程包括：
选择适当的惩罚参数C＞0，构造并求解最优化问题：
Figure BDA0003268250860000041
Figure BDA0003268250860000042
其中，
Figure BDA0003268250860000043
得到最优解为α＝(α1，…，αl)T
计算
Figure BDA0003268250860000044
选择α的一个分量0＜αj＜C所对应的样本点(xj，yj)，并据此计算：
Figure BDA0003268250860000045
构造最优分划超平面(w·x)+b＝0，并由此求得决策函数f(x)＝sgn((w·x)+b)。
本发明还提出一种基于PCA和ReliefF的SVM的人脸识别系统，应用如上述技术方案中任一项公开的人脸识别方法，包括：
人脸图像转换模块，用于获取预设数量的人脸图像，并将所述人脸图像转换为预设维度向量，存入人脸向量集合；
平均图像计算模块，用于计算所述人脸向量集合中的向量累加平均值，得到平均图像；
图像差值计算模块，用于计算该预设数量的人脸图像分别与所述平均图像的差值；
人脸特征空间模块，用于根据所述差值计算协方差矩阵的特征向量，构成特征脸空间；
特征权重向量模块，用于由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量；
向量机确定模块，用于根据预设惩罚参数和所述特征权向量构造并求解得到最优解，并根据所述最优解得到决策函数，确定支持向量机；
识别模型训练模块，用于提取所述人脸图像的人脸特征数据标签，基于所述支持向量机进行训练及验证，得到人脸识别模型；
人脸图像识别模块，用于获取待识别人脸图像，输入所述人脸识别模型进行人脸识别。
在上述技术方案中，优选地，所述平均图像计算模块具体用于：
将所述人脸向量集合中的向量进行遍历累加；
将累加值按照人脸图像数量取平均值，得到平均图像；
其中，所述平均图像的维度与所述人脸向量集合中每个人脸图像对应维度相等。
在上述技术方案中，优选地，所述人脸特征空间模块具体用于：
确定M个正交的单位向量un，通过下式计算第k个向量uk：
Figure BDA0003268250860000051
特征值λk取最小值0时，uk确定，其中，Φn表示第n个差值；
uk还满足：
Figure BDA0003268250860000052
其中，T表示矩阵转置，δ为自定义参数，M为正交的单位向量un的数量，l∈{1，2，3，4…，n}；
通过下式计算协方差矩阵的特征向量：
Figure BDA0003268250860000053
其中，A＝[Φ1，Φ2，…，ΦM]；
根据协方差矩阵C的M个特征向量，取特征值较大的前k个特征向量作为子空间，构成特征脸空间；其中，k为自定义变量。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，该至少一个指令被处理器执行能够实现如上述技术方案中任一项公开的人脸识别方法。
本发明还提出一种电子设备，所述电子设备包括存储器及存储器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令，以实现如上述技术方案中任一项公开的人脸识别方法。
与现有技术相比，本发明的有益效果为：通过PCA和ReliefF的特征选择方法相结合，利用PCA去除特征间存在的相关性，然后利用ReliefF算法进行特征选择，解决了单一ReliefF算法不能去除冗余特征的缺点，从而能够在保证SVM分类精度的情况下，有效地减少了数据维数，加速了SVM训练，具有较好的性能。
附图说明
图1为本发明一种实施例公开的基于PCA和ReliefF的SVM的人脸识别方法的流程示意图；
图2为本发明一种实施例公开的人脸图像集合的示意图；
图3为由图2所示人脸图像得到的平均图像对应平均脸的示意图；
图4为本发明一种实施例公开的基于PCA和ReliefF的SVM的人脸识别系统的模块示意图。
图中，各组件与附图标记之间的对应关系为：
11.人脸图像转换模块，12.平均图像计算模块，13.图像差值计算模块，14.人脸特征空间模块，15.特征权重向量模块，16.向量机确定模块，17.识别模型训练模块，18.人脸图像识别模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
如图1所示，根据本发明提供的一种基于PCA和ReliefF的SVM的人脸识别方法，包括：
获取预设数量的人脸图像，并将人脸图像转换为预设维度向量，存入人脸向量集合；
计算人脸向量集合中的向量累加平均值，得到平均图像；
计算该预设数量的人脸图像分别与平均图像的差值；
根据差值计算协方差矩阵的特征向量，构成特征脸空间；
由特征脸空间提取样本，根据Re1iefF算法分别计算每个样本的特征权重，构造特征权向量；
根据预设惩罚参数和特征权向量构造并求解得到最优解，并根据最优解得到决策函数，确定支持向量机；
提取人脸图像的人脸特征数据标签，基于支持向量机进行训练及验证，得到人脸识别模型；
获取待识别人脸图像，输入人脸识别模型进行人脸识别。
在该实施例中，通过PCA和ReliefF的特征选择方法相结合，利用PCA去除特征间存在的相关性，然后利用ReliefF算法进行特征选择，解决了单一ReliefF算法不能去除冗余特征的缺点，从而能够在保证SVM分类精度的情况下，有效地减少了数据维数，加速了SVM训练，具有较好的性能。
具体地，获取包含M张人脸图像的集合S，如图2所示，本实施例获取25张人脸图像，每张图像可以转换成一个N维的向量，然后把这M个向量放到一个集合S里，如下式所示：
S＝{Γ1，Γ2，Γ3，.........，ΓM}
在上述实施例中，优选地，计算人脸向量集合中的向量累加平均值具体包括：
将人脸向量集合中的向量进行遍历累加；
将累加值按照人脸图像数量取平均值，得到平均图像；
其中，平均图像的维度与人脸向量集合中每个人脸图像对应维度相等。
具体地，在获取到人脸向量集合S后，将人脸向量集合S中的向量遍历一遍进行累加，然后取平均值计算得到平均图像Ψ；
Figure BDA0003268250860000071
得到的Ψ是一个N维向量，如果再将它还原回图像形式，可以得到如图3所示的“平均脸”。
在上述实施例中，优选地，根据差值计算协方差矩阵的特征向量构成特征脸空间具体包括：
确定M个正交的单位向量un，通过下式计算第k(k＝1，2，3...M)个向量uk：
Figure BDA0003268250860000081
特征值λk取最小值0时，uk确定，M个向量是相互正交而且是单位长度的，其中，Φn表示第n个差值；
M个向量是相互正交而且是单位长度的，uk还满足：
Figure BDA0003268250860000082
其中，T表示矩阵转置，δ为自定义参数，M为正交的单位向量un的数量，l∈{1，2，3，4....，n}；
通过下式计算协方差矩阵的特征向量：
Figure BDA0003268250860000083
其中，A＝[Φ1，Φ2，…，ΦM]；
根据协方差矩阵C的M个特征向量，取特征值较大的前k个特征向量作为子空间，构成特征脸空间；其中，k为自定义变量。
具体地，考虑AAT矩阵，一般情况下有：
AAT(AVi)＝μi(AVi)
令：Ui＝AVi，得：CUi＝μiUi，那么Ui就是C的特征向量，这样就可求得C的M个特征向量。实际上，m个特征值足够用于人脸识别，所以选取特征值比较大的前K个特征向量作为子空间，这样就构成了特征脸空间。
在上述实施例中，优选地，由特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量的具体过程包括：
设特征脸空间X＝{x1，x2，…，xn}是待进行分类分析的对象的全体，其中：xi＝[xi1，xi2，…，xiN]，T表示第i个样本的N个特征值，λ是N×1的矩阵，表示各维特征的权值；对于任意的一个样本xi，首先要找出k个与xi同类的最近邻的样本Rd；
由特征脸空间，提取得到样本数据集T：
{(x1，y1)，…(xl，yl)}，xi∈Rd，yi∈{1，-1}，i＝1，…，l
根据ReliefF算法分别计算每个特征的权重，并构造得到特征权向量：
λ＝(λ1，λ2，…，λl)T，λi∈Rd
其中，ReliefF算法中，K为定义在X×X上的核函数，X∈Rd，P是给定输入空间的d阶线性变换矩阵，其中d是输入特征脸空间的维数；
特征加权核函数Kp定义为：Kp(xi，xj)＝K(Pxi，Pxj)
转换得到特征加权多项式核函数：
Figure BDA0003268250860000091
特征加权Gaussian核函数：
Figure BDA0003268250860000092
特征加权Sigmoid核函数：
Figure BDA0003268250860000093
在上述实施例中，优选地，根据预设惩罚参数构造并求解得到最优解，并根据最优解得到决策函数的具体过程包括：
选择适当的惩罚参数C＞0，构造并求解最优化问题：
Figure BDA0003268250860000094
Figure BDA0003268250860000095
其中，
Figure BDA0003268250860000096
得到最优解为α＝(α1，…，αl)T
计算
Figure BDA0003268250860000097
选择α的一个分量0＜αj＜C所对应的样本点(xj，yj)，并据此计算：
Figure BDA0003268250860000098
构造最优分划超平面(w·x)+b＝0，并由此求得决策函数f(x)＝sgn((w·x)+b)。
根据上述实施例所选择的合适的支持向量机参数，提取人脸特征数据标签，把提取到的人脸特征数据进行训练得到训练集合和测试集合。
为了验证本发明所提出的方法的有效性，我们选取了2000张人脸图片进行训练，1300张人脸图片进行训练，700张人脸图片进行测试，分别对结果正确率进行了对比。
通过传统的PCA+SVM的方法运行结果数据如下表所示：
人脸图像数据集 分类正确率/(％) 时间/s
Ariel Sharon 0.61 0.32
Colin Powell 0.63 0.27
Donald Rumsfeld 0.72 0.41
George W Bush 0.63 0.32
Gerhard Schroeder 0.71 0.50
Hugo Chavez 0.83 0.23
通过本申请上述实施例人脸识别方法得到的运行结果数据如下表所示：
人脸图像数据集 分类正确率/(％) 时间/s
Ariel Sharon 0.83 0.18
Colin Powell 0.79 0.07
Donald Rumsfeld 0.94 0.23
George W Bush 0.81 0.18
Gerhard Schroeder 0.95 0.10
Hugo Chavez 1.00 0.17
根据上述结果进行对比可知，本发明提出的人脸识别方法，相比于现有技术的人脸识别方法，针对多个人名对应的人脸图像数据集，分类正确率均有明显的提升，时间均有明显缩短，性能明显优于现有技术。
在结果数据中，通过对比发现相同的人脸特征数据，本发明提出的基于ReliefF特征加权SVM的分类方法的分类正确率优于传统SVM方法的分类正确率。本发明提出的方法不仅在分类准确度方面优于传统的SVM分类器，在训练时间上也好于传统的SVM分类器。在相同的服务器上，传统的SVM的训练平均时间为5s，而本发明提出的方法的训练时间平均为1.4s，仅为传统方法耗时的1/4，显示出其在学习时间上的优势。
如图4所示，本发明还提出一种基于PCA和ReliefF的SVM的人脸识别系统，应用如上述实施例中任一项公开的人脸识别方法，包括：
人脸图像转换模块11，用于获取预设数量的人脸图像，并将人脸图像转换为预设维度向量，存入人脸向量集合；
平均图像计算模块12，用于计算人脸向量集合中的向量累加平均值，得到平均图像；
图像差值计算模块13，用于计算该预设数量的人脸图像分别与平均图像的差值；
人脸特征空间模块14，用于根据差值计算协方差矩阵的特征向量，构成特征脸空间；
特征权重向量模块15，用于由特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量；
向量机确定模块16，用于根据预设惩罚参数和特征权向量构造并求解得到最优解，并根据最优解得到决策函数，确定支持向量机；
识别模型训练模块17，用于提取人脸图像的人脸特征数据标签，基于支持向量机进行训练及验证，得到人脸识别模型；
人脸图像识别模块18，用于获取待识别人脸图像，输入人脸识别模型进行人脸识别。
在上述实施例中，优选地，平均图像计算模块12具体用于：
将人脸向量集合中的向量进行遍历累加；
将累加值按照人脸图像数量取平均值，得到平均图像；
其中，平均图像的维度与人脸向量集合中每个人脸图像对应维度相等。
在上述实施例中，优选地，人脸特征空间模块14具体用于：
确定M个正交的单位向量un，通过下式计算第k个向量uk：
Figure BDA0003268250860000111
特征值λk取最小值0时，uk确定，其中，Φn表示第n个差值；
uk还满足：
Figure BDA0003268250860000121
其中，T表示矩阵转置，δ为自定义参数，M为正交的单位向量un的数量，l∈{1，2，3，4....，n}；
通过下式计算协方差矩阵的特征向量：
Figure BDA0003268250860000122
其中，A＝[Φ1，Φ2，…，ΦM]；
根据协方差矩阵C的M个特征向量，取特征值较大的前k个特征向量作为子空间，构成特征脸空间；其中，k为自定义变量。
在上述实施例中，优选地，特征权重向量模块15具体用于：
由特征脸空间，提取得到样本数据集T：
{(x1，y1)，…(xl，yl)}，xi∈Rd，yi∈{1，-1}，i＝1，…，l
根据ReliefF算法分别计算每个特征的权重，并构造得到特征权向量：
λ＝(λ1，λ2，…，λl)T，λi∈Rd
其中，ReliefF算法中，K为定义在X×X上的核函数，X∈Rd，Rd为，P是给定输入空间的d阶线性变换矩阵，其中d是输入特征脸空间的维数；
特征加权核函数Kp定义为：Kp(xi，xj)＝K(Pxi，Pxj)
转换得到特征加权多项式核函数：
Figure BDA0003268250860000123
特征加权Gaussian核函数：
Figure BDA0003268250860000124
特征加权Sigmoid核函数：
Figure BDA0003268250860000125
在上述实施例中，优选地，向量机确定模块16具体用于：
选择适当的惩罚参数C＞0，构造并求解最优化问题：
Figure BDA0003268250860000131
Figure BDA0003268250860000132
其中，
Figure BDA0003268250860000133
得到最优解为α＝(α1，…，αl)T；
计算
Figure BDA0003268250860000134
选择α的一个分量0＜αj＜C所对应的样本点(xjyj)，并据此计算：
Figure BDA0003268250860000135
构造最优分划超平面(w·x)+b＝0，并由此求得决策函数i(x)＝sgn((w·x)+b)。
根据上述实施例提出的基于PCA和ReliefF的SVM的人脸识别系统，其各模块所实现的功能与上述实施例中人脸识别方法的步骤一致，在此不再赘述。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，该至少一个指令被处理器执行能够实现如上述技术方案中任一项公开的人脸识别方法。
本发明还提出一种电子设备，所述电子设备包括存储器及存储器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令，以实现如上述技术方案中任一项公开的人脸识别方法。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于PCA和ReliefF的SVM的人脸识别方法，其特征在于，包括：
获取预设数量的人脸图像，并将所述人脸图像转换为预设维度向量，存入人脸向量集合；
计算所述人脸向量集合中的向量累加平均值，得到平均图像；
计算该预设数量的人脸图像分别与所述平均图像的差值；
根据所述差值计算协方差矩阵的特征向量，构成特征脸空间；
由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量；
根据预设惩罚参数和所述特征权向量构造并求解得到最优解，并根据所述最优解得到决策函数，确定支持向量机；
提取所述人脸图像的人脸特征数据标签，基于所述支持向量机进行训练及验证，得到人脸识别模型；
获取待识别人脸图像，输入所述人脸识别模型进行人脸识别。
2.根据权利要求1所述的基于PCA和ReliefF的SVM的人脸识别方法，其特征在于，所述计算所述人脸向量集合中的向量累加平均值具体包括：
将所述人脸向量集合中的向量进行遍历累加；
将累加值按照人脸图像数量取平均值，得到平均图像；
其中，所述平均图像的维度与所述人脸向量集合中每个人脸图像对应维度相等。
3.根据权利要求1所述的基于PCA和ReliefF的SVM的人脸识别方法，其特征在于，所述根据所述差值计算协方差矩阵的特征向量构成特征脸空间具体包括：
确定M个正交的单位向量un，通过下式计算第k个向量uk：
Figure FDA0003268250850000011
特征值λk取最小值0时，uk确定，其中，Φn表示第n个差值；
uk还满足：
Figure FDA0003268250850000012
其中，T表示矩阵转置，δ为自定义参数，M为正交的单位向量un的数量，l∈{1,2,3,4....,n}；
通过下式计算协方差矩阵的特征向量：
Figure FDA0003268250850000021
其中，A＝[Φ1,Φ2,…,ΦM]；
根据协方差矩阵C的M个特征向量，取特征值较大的前k个特征向量作为子空间，构成特征脸空间；
其中，k为自定义变量。
4.根据权利要求3所述的基于PCA和ReliefF的SVM的人脸识别方法，其特征在于，所述由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量的具体过程包括：
设特征脸空间X＝{x1，x2，…，xn}是待进行分类分析的对象的全体，其中：xi＝[xi1，xi2，…，xiN]，T表示第i个样本的N个特征值，λ是N×1的矩阵，表示各维特征的权值；对于任意的一个样本xi，首先要找出k个与xi同类的最近邻的样本Rd；
由所述特征脸空间，提取得到样本数据集T：
{(x1,y1),…(xl,yl)},xi∈Rd,yi∈{1,-1},i＝1,…,l
根据ReliefF算法分别计算每个特征的权重，并构造得到特征权向量：
λ＝(λ1,λ2,…,λl)T,λi∈Rd
其中，ReliefF算法中，K为定义在X×X上的核函数，X∈Rd，P是给定输入空间的d阶线性变换矩阵，其中d是输入特征脸空间的维数；
特征加权核函数Kp定义为：Kp(xi,xj)＝K(Pxi,Pxj)
转换得到特征加权多项式核函数：
Figure FDA0003268250850000022
特征加权Gaussian核函数：
Figure FDA0003268250850000023
特征加权Sigmoid核函数：
Figure FDA0003268250850000036
5.根据权利要求4所述的基于PCA和ReliefF的SVM的人脸识别方法，其特征在于，所述根据预设惩罚参数构造并求解得到最优解，并根据所述最优解得到决策函数的具体过程包括：
选择适当的惩罚参数C>0，构造并求解最优化问题：
Figure FDA0003268250850000031
Figure FDA0003268250850000032
其中,
Figure FDA0003268250850000033
得到最优解为α＝(α1,…,αl)T
计算
Figure FDA0003268250850000034
选择α的一个分量0<αj<C所对应的样本点(xj,yj)，并据此计算：
Figure FDA0003268250850000035
构造最优分划超平面(w·x)+b＝0，并由此求得决策函数f(x)＝sgn((w·x)+b)。
6.一种基于PCA和ReliefF的SVM的人脸识别系统，应用如权利要求1至5中任一项所述的人脸识别方法，其特征在于，包括：
人脸图像转换模块，用于获取预设数量的人脸图像，并将所述人脸图像转换为预设维度向量，存入人脸向量集合；
平均图像计算模块，用于计算所述人脸向量集合中的向量累加平均值，得到平均图像；
图像差值计算模块，用于计算该预设数量的人脸图像分别与所述平均图像的差值；
人脸特征空间模块，用于根据所述差值计算协方差矩阵的特征向量，构成特征脸空间；
特征权重向量模块，用于由所述特征脸空间提取样本，根据ReliefF算法分别计算每个样本的特征权重，构造特征权向量；
向量机确定模块，用于根据预设惩罚参数和所述特征权向量构造并求解得到最优解，并根据所述最优解得到决策函数，确定支持向量机；
识别模型训练模块，用于提取所述人脸图像的人脸特征数据标签，基于所述支持向量机进行训练及验证，得到人脸识别模型；
人脸图像识别模块，用于获取待识别人脸图像，输入所述人脸识别模型进行人脸识别。
7.根据权利要求6所述的基于PCA和ReliefF的SVM的人脸识别系统，其特征在于，所述平均图像计算模块具体用于：
将所述人脸向量集合中的向量进行遍历累加；
将累加值按照人脸图像数量取平均值，得到平均图像；
其中，所述平均图像的维度与所述人脸向量集合中每个人脸图像对应维度相等。
8.根据权利要求6所述的基于PCA和ReliefF的SVM的人脸识别系统，其特征在于，所述人脸特征空间模块具体用于：
确定M个正交的单位向量un，通过下式计算第k个向量uk：
Figure FDA0003268250850000041
特征值λk取最小值0时，uk确定，其中，Φn表示第n个差值；
uk还满足：
Figure FDA0003268250850000042
其中，T表示矩阵转置，δ为自定义参数，M为正交的单位向量un的数量，l∈{1,2,3,4....,n}；
通过下式计算协方差矩阵的特征向量：
Figure FDA0003268250850000043
其中，A＝[Φ1,Φ2,…,ΦM]；
根据协方差矩阵C的M个特征向量，取特征值较大的前k个特征向量作为子空间，构成特征脸空间；
其中，k为自定义变量。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，该至少一个指令被处理器执行能够实现如权利要求1至5中任一项所述的人脸识别方法。
10.一种电子设备，其特征在于，所述电子设备包括存储器及存储器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令，以实现如权利要求1至5中任一项所述的人脸识别方法。
CN202111092988.5A 2021-09-17 2021-09-17 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 Pending CN113792678A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111092988.5A CN113792678A (zh) 2021-09-17 2021-09-17 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111092988.5A CN113792678A (zh) 2021-09-17 2021-09-17 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备

Publications (1)

Publication Number Publication Date
CN113792678A true CN113792678A (zh) 2021-12-14

Family

ID=78878843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111092988.5A Pending CN113792678A (zh) 2021-09-17 2021-09-17 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备

Country Status (1)

Country Link
CN (1) CN113792678A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550020A (zh) * 2022-04-21 2022-05-27 深圳一心一医智能科技有限公司 一种消毒机器人的生物体图像智能识别方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226590A (zh) * 2008-01-31 2008-07-23 湖南创合制造有限公司 一种人脸识别方法
CN103425994A (zh) * 2013-07-19 2013-12-04 淮阴工学院 一种用于模式分类的特征选择方法
CN106897973A (zh) * 2017-01-23 2017-06-27 鲁东大学 一种基于pca变换的遥感反射率图像反立体校正方法
CN107103306A (zh) * 2017-05-22 2017-08-29 安徽大学 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法
CN107578028A (zh) * 2017-09-20 2018-01-12 广东工业大学 一种人脸识别方法、装置、设备及计算机可读存储介质
CN109522881A (zh) * 2018-12-25 2019-03-26 华南理工大学 一种基于人脸识别的考生信息核对方法
CN110781741A (zh) * 2019-09-20 2020-02-11 中国地质大学（武汉） 基于Relief特征过滤方法的人脸识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226590A (zh) * 2008-01-31 2008-07-23 湖南创合制造有限公司 一种人脸识别方法
CN103425994A (zh) * 2013-07-19 2013-12-04 淮阴工学院 一种用于模式分类的特征选择方法
CN106897973A (zh) * 2017-01-23 2017-06-27 鲁东大学 一种基于pca变换的遥感反射率图像反立体校正方法
CN107103306A (zh) * 2017-05-22 2017-08-29 安徽大学 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法
CN107578028A (zh) * 2017-09-20 2018-01-12 广东工业大学 一种人脸识别方法、装置、设备及计算机可读存储介质
CN109522881A (zh) * 2018-12-25 2019-03-26 华南理工大学 一种基于人脸识别的考生信息核对方法
CN110781741A (zh) * 2019-09-20 2020-02-11 中国地质大学（武汉） 基于Relief特征过滤方法的人脸识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
兔死机: "人脸识别经典算法一：特征脸方法（Eigenface）", 《HTTPS://BLOG.CSDN.NET》 *
苑军科: "基于PCA的人脸识别系统的设计与研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
蒋玉娇 等: "一种基于PCA和ReliefF的特征选择方法", 《计算机工程与应用》 *
马会敏: "几种特征加权支持向量机方法的比较研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550020A (zh) * 2022-04-21 2022-05-27 深圳一心一医智能科技有限公司 一种消毒机器人的生物体图像智能识别方法及系统

Similar Documents

Publication Publication Date Title
Wolf et al. Feature Selection for Unsupervised and Supervised Inference: The Emergence of Sparsity in a Weight-Based Approach.
Maji et al. Classification using intersection kernel support vector machines is efficient
US8005767B1 (en) System and method of classifying events
Larios et al. Haar random forest features and SVM spatial matching kernel for stonefly species identification
CN103544499B (zh) 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法
JP5207870B2 (ja) 次元削減方法、パターン認識用辞書生成装置、及びパターン認識装置
JP2003296734A (ja) 次元低減を用いた物体分類システム
CN108629373B (zh) 一种图像分类方法、系统、设备及计算机可读存储介质
CN111476100B (zh) 基于主成分分析的数据处理方法、装置及存储介质
CN112906767A (zh) 一种基于隐空间学习和流行约束的无监督特征选择方法
CN114722892A (zh) 基于机器学习的持续学习方法及装置
CN112085112A (zh) 一种图像类别检测方法、系统、电子设备及存储介质
CN113792678A (zh) 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备
CN112257600B (zh) 一种人脸识别方法及系统
CN111738194B (zh) 一种用于人脸图像相似性的评价方法和装置
CN111832391B (zh) 基于截断核范数的低秩判别嵌入法的图像降维方法及图像识别方法
CN106326927B (zh) 一种鞋印新类别检测方法
CN107729945A (zh) 基于类间稀疏表示的鉴别回归、分类方法及系统
Kumar et al. A Robust mRMR Based Pedestrian Detection Approach Using Shape Descriptor.
Jose et al. Genus and species-level classification of wrasse fishes using multidomain features and extreme learning machine classifier
Jena et al. Elitist TLBO for identification and verification of plant diseases
Kumar et al. Siamese based Neural Network for Offline Writer Identification on word level data
Budiman et al. Non-linear Multiclass SVM Classification Optimization using Large Datasets of Geometric Motif Image
Chen et al. Adapting an object detector by considering the worst case: A conservative approach
Baek et al. Multi-choice wavelet thresholding based binary classification method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20211214

RJ01 Rejection of invention patent application after publication